La distribución normal
La distribución normal
La distribución normal fue reconocida
por primera vez por el francés
Abraham de Moivre (1667-1754).
Posteriormente, Carl Friedrich Gauss (1777-1855)
realizó estudios más a fondo
donde formula la ecuación de la curva
conocida comúnmente, como la
“Campana de Gauss".
Utilidad
Se utiliza muy a menudo porque hay muchas
variables asociadas a fenómenos naturales
que siguen el modelo de la normal
Caracteres morfológicos de individuos
(personas, animales, plantas,...) de una
especie, por ejemplo: tallas, pesos, diámetros,
distancias, perímetros,...
Caracteres fisiológicos, por ejemplo: efecto de
una misma dosis de un fármaco, o de una
misma cantidad de abono
Utilidad
• Caracteres sociológicos, por ejemplo: consumo de
cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
• Caracteres psicológicos, por ejemplo: cociente
intelectual, grado de adaptación a un medio,...
• Errores cometidos al medir ciertas magnitudes.
• Valores estadísticos muestrales, por ejemplo : la
media
.
La función de distribución
Puede tomar cualquier valor (- , + )
Hay más probabilidad para los valores cercanos a la
media
Conforme nos separamos de , la probabilidad va
decreciendo de igual forma a derecha e izquierda
(es simétrica).
Conforme nos separamos de , la probabilidad va
decreciendo dependiendo la desviación típica
La función F(x)
F(x) es el área sombreada
de la siguiente gráfica
Propiedades de la
distribución normal:
El área bajo la curva aproximado del promedio μ a más o
menos una desviación estándar (1σ) es de 0.68, a más o
menos 2σ es de 0. 95 y a más o menos 3σ es de 0.99
Propiedades de la
distribución normal:
Propiedades de la
distribución normal:
La forma de la campana de Gauss depende de los parámetros μ y σ.
Tiene una única moda que coincide con su media y su mediana.
La curva normal es asintótica al eje de X.
Es simétrica con respecto a su media μ . Según esto, para este tipo de
variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.
La desviación estándar (σ )
Cambios en la Kurtosis o concentración los datos en torno a la media
Cuando los datos están muy concentrados en torno a la media se dice
que la distribución es leptocúrtica
Cuando los datos están muy dispersos se llama distribución
platicúrtica.
En resumen
Podemos concluir que hay una familia de distribuciones con
una forma común, diferenciadas por los valores de su media y
su varianza.
La desviación estándar (σ ) determina el grado de apuntamiento
de la curva. Cuanto mayor sea el valor de σ, más se dispersarán
los datos en torno a la media y la curva será más plana.
La media indica la posición de la campana, de modo que para
diferentes valores de μ la gráfica es desplazada a lo largo del
eje horizontal.
De entre todas ellas, la más utilizada es la distribución normal
estándar, que corresponde a una distribución de media 0 y
varianza 1.
La distribución normal
estándar
Z se la denomina variable tipificada de X, y a
la curva de su función de densidad se le
conoce como la curva normal estándar.
Es una distribución normal con promedio 0 y
una desviación estándar de 1.
Todas las variables normalmente distribuidas
se pueden transformar a la distribución normal
estándar utilizando la fórmula para calcular el
valor Z correspondiente.
La función F(z)
En la siguiente gráfica vemos la
representación gráfica de la función de Z.
En resumen
Podemos decir que el valor de Z es la
cantidad de desviaciones estándar a la
que está distanciada la variable X del
promedio.
A la variable Z se la denomina variable
tipificada de X, y a la curva de su función
de densidad se le conoce como la curva
normal estándar
Características de la
distribución normal estándar.
No depende de ningún parámetro.
Su media es 0, su varianza es 1 y su
desviación estándar es 1.
La curva f(x) es simétrica respecto del eje
de Y
Tiene un máximo en el eje de Y.
Tiene dos puntos de inflexión en z=1 y z=-1
Teorema del Límite Central
Nos indica que, bajo condiciones muy
generales, según aumenta la cantidad de datos,
la distribución de la suma de variables aleatorias
tendera a seguir hacia una distribución normal.
En otras palabras el Teorema del Límite Central
garantiza una distribución normal cuando el
tamaño de la muestra es suficientemente
grande.
Por ejemplo
En el siguiente histograma podemos observar la distribución de
frecuencias por peso de acuerdo a la edad. De acuerdo a este
teorema según aumenten la cantidad de dato se podrá trazar
una curva que tome cada vez más formación en forma campana.
Área bajo la curva normal estándar
El área bajo la curva normal estándar es útil
para asignar probabilidades de ocurrencia de
la variable X.
Debemos tomar en cuenta que el área total
bajo la curva es igual a 1. Y que, por ser una
gráfica simétrica, cada mitad tiene un área de
0.5.
Pasos para determinar el área bajo la curva
normal estándar
Paso 1 - Interpretar gráficamente el área de
interés.
Paso 2 - Determinar el valor Z
Paso 3 - Buscar en la tabla de probabilidades.
Paso 4 - Hacer la suma o resta de áreas para
encontrar la probabilidad deseada
Ejemplos y ejercicios
Supongamos que sabemos que el peso de
los/as estudiantes universitarios/as sigue una
distribución aproximadamente normal, con
una media de 140 libras y una desviación
estándar de 20 libras.
Ejemplo 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=150 libras, el área
de la curva que nos interesa es la siguiente:
Ejemplo 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras
X 150 140
Paso 2 - Determinar el valor Z: Z 0.50
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de 0.1915
Paso 4 - Hacer la suma o resta de áreas para encontrar la probabilidad
deseada.
0.5 + 0.1915 = 0.6915
Ejemplo 2
Si deseamos la probabilidad de que una persona, elegida al
azar, tenga un peso mayor o igual a 150 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=150 libras, el área de la curva que nos interesa es la siguiente:
Ejemplo 2
Si deseamos la probabilidad de que una persona, elegida al
azar, tenga un peso mayor o igual a 150 libras
X 150 140
Paso 2 - Determinar el valor Z: Z 0.50
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de 0.1915.
Paso 4 - Hacer la suma o resta de áreas para encontrar la probabilidad
deseada.
En este ejemplo el área de 0.1915 no representa el área que nos interesa
sino la contraria. En este caso debemos restarle 1 a la probabilidad
encontrada.
0.5- .0.1915 = 0.3085
Ejemplo 3
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=115 libras, el área de la curva que nos interesa es
la siguiente:
Ejemplo 3
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
X 115 140
Paso 2 - Determinar el valor Z: Z 1.25
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el área de 0.5 -
0.3944 = 0.1056
Ejemplo 4
Si deseamos la probabilidad de que una persona, elegida
al azar, tenga un peso entre 115 y 150 libras.
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=115 libras y b=150 libras, el área de la curva que nos
interesa es la siguiente
Ejemplo 4
Si deseamos la probabilidad de que una persona, elegida al
azar, tenga un peso entre 115 y 150 libras.
Paso 2 - Determinar el valor Z
X 115 140
Cuando X=115 Z 1.25
20
Cuando X=150 X 150 140
Z 0.50
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el área de 0.3944.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de 0.1915
Ejemplo 4
Si deseamos la probabilidad de que una persona, elegida al
azar, tenga un peso entre 115 y 150 libras.
Paso 4 - Hacer la suma o resta de áreas para encontrar la probabilidad deseada.
.
0.3944. + 1915 = 0.5859
Ejemplo 5
Determine la probabilidad de que una persona tenga un
peso entre 150 y 160 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=150 libras y b= 160 libras, el área de la curva que nos interesa es la siguiente:
Ejemplo 5
Determine la probabilidad de que una persona tenga un
peso entre 150 y 160 libras
Paso 2 - Determinar el valor Z
Como vimos en el ejemplo 1 y 2 E valor Z cuando X=150 es 0.50.
Para X=160 el valor Z será:
X 160 140
Z 1.0
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de 0.1915.
Cuando Z = 1.0 el área es de 0.3413.
Ejemplo 5
Determine la probabilidad de que una persona tenga un
peso entre 150 y 160 libras
Paso 4 - Hacer la suma o resta de áreas para encontrar la probabilidad deseada.
En este ejemplo se resta el área mayor menos el área menor como se interpreto en el paso 1.
0.3413 - 0.1915 = 0.1498
Ejemplo 6
Determine la probabilidad de elegir a una persona que pese
entre 115 y 130 libras.
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=115 libras y b= 130 libras, el
área de la curva que nos interesa es la siguiente:
Ejemplo 6
Determine la probabilidad de elegir a una persona que pese
entre 115 y 130 libras.
Paso 2 - Determinar el valor Z
Cuando X=115 X 115 140
Z 1.25
20
para X=130 X 130 140
Z 0.50
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el área de
0.3944
Para Z = -.050 el área es =0.1915
Ejemplo 6
Determine la probabilidad de elegir a una persona que pese
entre 115 y 130 libras.
Paso 4 - Hacer la suma o resta de áreas para encontrar la
probabilidad deseada.
En este ejemplo el área será la diferencia de .3944 – 0.1915=.2029.